文章目录

一、什么是matplotlib二、matplotlib 支持的图形三、如何使用matplotlib1. 安装matplotlib2. 导入matplotlib.pyplot3. 准备数据4. 绘制图形5. 定制图形6. 显示或保存图形7. （可选）使用subplots创建多个子图注意事项：

四、常见图形使用示例1. 线图 (Line Plot)2. 散点图 (Scatter Plot)3. 条形图 (Bar Chart)4. 直方图 (Histogram)5. 饼图 (Pie Chart)6. 直方图 2d7. 面积图（Area Plot）8. 热力图（Heatmap）9. 三维图形（3D Plot）10. 堆叠图（Stacked Plot）

五、常用函数参考

一、什么是matplotlib

<code>matplotlib 是一个用于创建静态、动态和交互式可视化图形的 Python 库。它被广泛用于数据可视化，并且可以与多种操作系统和图形后端一起工作。matplotlib 提供了一套与 MATLAB 相似的命令 API，适合交互式制图，也可以作为绘图控件嵌入到其他应用程序中。

matplotlib 的主要组成部分是 pyplot，它是一个类似于 MATLAB 的绘图框架。pyplot 提供了一个 MATLAB 式的接口，可以隐式地创建图形和轴，使得绘图变得简单。

以下是一个简单的 matplotlib 使用示例，用于绘制一条简单的折线图：

import matplotlib.pyplot as plt

import numpy as np

# 创建数据

x = np.linspace(0, 10, 100)

y = np.sin(x)

# 创建图形

plt.figure()

# 绘制折线图

plt.plot(x, y, '-')

# 设置图表标题和坐标轴标签

plt.title("Simple Plot of Sine Function")

plt.xlabel("X-axis")

plt.ylabel("Y-axis")

# 显示图形

plt.show()

在这个例子中，我们首先导入了 matplotlib.pyplot 和 numpy。然后，我们创建了一组数据 x 和 y，其中 y 是 x 的正弦函数。接下来，我们使用 plt.figure() 创建一个新的图形，并使用 plt.plot() 绘制折线图。最后，我们设置了图表的标题和坐标轴标签，并使用 plt.show() 显示图形。

这只是 matplotlib 的一个基本示例。该库提供了许多其他功能，包括散点图、条形图、饼图、3D 图形、等高线图等。此外，matplotlib 还支持自定义颜色、线型、标记等，以及添加图例、网格等。

二、matplotlib 支持的图形

matplotlib 是一个非常灵活的绘图库，支持绘制多种类型的图形。以下是一些 matplotlib 支持的主要图形类型：

线图 (Line Plots): 最基本的图形类型，用于显示数据点的连接。

散点图 (Scatter Plots): 用于显示两个变量之间的关系，通过点的分布来表示。

条形图 (Bar Charts): 适用于展示分类数据的相对大小。

直方图 (Histograms): 展示数据分布的统计图，通常用于表示连续变量的分布情况。

饼图 (Pie Charts): 用于表示整体中各部分的比例关系。

箱图 (Box Plots): 用于展示数据的分布情况，包括中位数、四分位数、最大值、最小值以及可能存在的异常值。

面积图 (Area Charts): 类似于线图，但是下方区域会被填充颜色，用于表示数据随时间的变化量。

等高线图 (Contour Plots): 通常用于表示三维数据在二维平面上的投影，通过等高线展示数据点的密集程度。

热力图 (Heatmap): 通过颜色的深浅来表示数据矩阵中各个值的大小。

极坐标图 (Polar Plots): 在极坐标系中展示数据点，常用于表示与角度相关的信息。

三维图形 (3D Plots): 用于在三维空间中展示数据点的分布情况，可以创建三维散点图、三维曲面图等。

堆叠图 (Stacked Plots): 适用于展示多个分类数据系列的累积效果，如堆叠条形图或堆叠面积图。

误差条图 (Error Bar Charts): 用于表示数据点的不确定性或变化范围。

矢量场图 (Vector Fields): 用于表示矢量数据，如风向或流体的流动方向。

流线图 (Stream Plots): 类似于矢量场图，但更侧重于表示流体的流动路径。

matplotlib 还支持许多其他高级和定制化的图形，包括但不限于小提琴图 (violin plots)、树状图 (dendrograms)、雷达图 (radar charts) 等。由于其强大的定制性和灵活性，matplotlib 已经成为数据可视化的重要工具之一。

三、如何使用matplotlib

使用matplotlib进行数据可视化是一个相对直接的过程。以下是一个清晰、分点的指南，帮助您开始使用matplotlib：

1. 安装matplotlib

首先，确保您已经安装了matplotlib库。如果还没有安装，可以使用pip进行安装：

pip install matplotlib

2. 导入matplotlib.pyplot

在Python脚本或Jupyter Notebook中，您需要导入matplotlib.pyplot模块，通常我们使用别名plt来引用它：

import matplotlib.pyplot as plt

3. 准备数据

准备您要可视化的数据。这可以是实验数据、统计数据或任何您想要展示的信息。

4. 绘制图形

使用plt中的函数来绘制您想要的图形。以下是一些常见图形的绘制方法：

线图：

plt.plot(x, y, label='Line 1') # x和y是数据点code>

散点图：

plt.scatter(x, y) # x和y是数据点

条形图：

plt.bar(x, y) # x是分类变量，y是对应值

直方图：

plt.hist(data, bins=10) # data是要统计的数据，bins是分组数量

饼图：

plt.pie(sizes, labels=labels) # sizes是各部分大小，labels是标签

5. 定制图形

<code># 创建数据

x = np.random.rand(50)

y = np.random.rand(50)

# 绘制散点图

plt.scatter(x, y)

plt.title('Scatter Plot')

plt.xlabel('X Axis')

plt.ylabel('Y Axis')

plt.grid(True)

plt.show()

3. 条形图 (Bar Chart)

条形图适用于展示分类数据的相对大小。

<code># 创建数据

categories = ['Category1', 'Category2', 'Category3', 'Category4']

values = [23, 45, 56, 12]

# 设置字体为支持中文的字体，比如'SimHei'（黑体），确保你的系统中安装了该字体

plt.rcParams['font.sans-serif'] = ['SimHei'] # 用于正常显示中文标签

plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号

# 绘制条形图

plt.bar(categories, values, label='测试图例')code>

plt.title('Bar Chart')

plt.xlabel('Categories')

plt.ylabel('Values')

plt.legend()

plt.show()

4. 直方图 (Histogram)

<code># 创建数据（正态分布的随机样本）

data = np.random.rand(100)

print(data)

data = np.sort(data)

print(data)

# 绘制直方图

plt.hist(data, bins=20, edgecolor='black', color='skyblue', alpha=0.7)code>

# 定制图形

plt.title('Histogram of Data Distribution')

plt.xlabel('Value Range')

plt.ylabel('Frequency')

plt.grid(True)

# 显示图形

plt.show()

5. 饼图 (Pie Chart)

<code># 创建数据

labels = ['A', 'B', 'C', 'D']

sizes = [15, 30, 45, 10]

# 绘制饼图

plt.pie(sizes, labels=labels)

plt.title('Pie Chart')

plt.show()

6. 直方图 2d

直方图用于展示数据分布的统计图。

<code># 创建数据

x = np.array([1, 2, 3, 4, 2, 2, 2, 1])

y = np.array([1, 2, 3, 4, 1, 2, 3, 4])

# 绘制直方图

plt.hist2d(x, y, bins=[20, 20], cmap=plt.cm.jet)

plt.title('Histogram')

plt.xlabel('Value')

plt.ylabel('Frequency')

# 添加带有标签的颜色条

plt.colorbar(label='Counts')code>

plt.grid(True)

plt.show()

7. 面积图（Area Plot）

<code>import matplotlib.pyplot as plt

import numpy as np

# 模拟数据

x = np.arange(1, 6)

y1 = np.random.randint(1, 5, 5)

y2 = np.random.randint(1, 5, 5)

# 绘制面积图

# 绘制 y1 到 0 之间的区域

plt.fill_between(x, y1, color='blue', alpha=0.5, label='Area 1') code>

# 绘制 y1 到 y2 之间的区域

plt.fill_between(x, y1, y2, color='red', alpha=0.5, label='Area 2') code>

plt.legend()

plt.show()

8. 热力图（Heatmap）